Fawad Butt, CEO e Co-Fundador da Penguin Ai – Série de Entrevistas

Fawad Butt, CEO e Co-Fundador da Penguin Ai, é um executivo experiente em dados de saúde e inteligência artificial que fundou a empresa após liderar papéis em Kaiser Permanente, UnitedHealthcare e Optum, onde supervisionou iniciativas de governança de dados, análise, inteligência artificial e plataformas empresariais em larga escala. Sua experiência em liderar estratégias de dados dentro de algumas das maiores organizações de pagadores e prestadores de serviços de saúde moldou o foco da Penguin Ai em resolver as ineficiências administrativas da saúde com inteligência artificial projetada para esse fim, em vez de forçar plataformas genéricas em fluxos de trabalho de saúde complexos. Sob sua liderança, a Penguin Ai está posicionada em torno de uma tese prática: a saúde precisa de sistemas de inteligência artificial projetados especificamente para operações de pagadores e prestadores de serviços, com a capacidade de reduzir o trabalho manual, melhorar a precisão e ajudar as equipes a gastar mais tempo em decisões clínicas e operacionais de alto valor.

Penguin Ai é uma empresa de inteligência artificial nativa em saúde, focada em automatizar operações administrativas e clínicas para pagadores, prestadores de serviços, empresas de gerenciamento de ciclos de receita e parceiros de tecnologia de saúde. Sua plataforma combina modelos de linguagem específicos de saúde, trabalhadores digitais, agentes de inteligência artificial, governança, capacidades de conformidade e automação de fluxos de trabalho para casos de uso, como autorização prévia, processamento de reclamações, codificação médica, gerenciamento de apelações, ajuste de risco, integridade de pagamento, resumo de gráficos médicos, resumo de documentação clínica e verificação de elegibilidade. A empresa obteve US$ 29,7 milhões em financiamento de venture, incluindo um financiamento de série A de US$ 25 milhões liderado pela Greycroft, para expandir contratações, desenvolvimento de produtos e implantações com pagadores e prestadores de serviços, e também lançou Gwen, uma plataforma de construção de inteligência artificial projetada para ajudar equipes de saúde a criar trabalhadores digitais governados para fluxos de trabalho administrativos.

Depois de liderar organizações de dados e análise em Kaiser Permanente, UnitedHealthcare e Optum, quais experiências específicas o convenceram de que a saúde precisava de uma plataforma de inteligência artificial projetada para esse fim, e como essas lições moldaram a visão de fundação da Penguin Ai?

Vou dar o exato momento em que isso clicou. Eu estava sentado em uma revisão em um dos grandes pagadores, olhando para uma fila de autorizações prévias que haviam sido rejeitadas três vezes, e nenhuma delas tinha uma questão clínica real anexada. Elas foram rejeitadas porque um campo não correspondia ou a documentação apareceu no formato errado. Alguns dos melhores operadores do país estavam gastando seu dia alimentando uma máquina que produzia nada para o paciente que esperava do outro lado. Eu vi o mesmo desperdício em Kaiser, em UnitedHealthcare, em Optum, apenas com diferentes disfarces. Foi quando eu parei de acreditar na linha da indústria de que a fricção é o preço da escala. A visão para a Penguin Ai veio diretamente dessa frustração: construir uma plataforma que fale a língua do pagador e do prestador de serviços, colocar o contexto de saúde dentro do sistema para que um trabalhador de inteligência artificial aplique seus próprios critérios e mostre seu raciocínio, manter uma pessoa responsável pelo julgamento clínico e tirar o trabalho braçal de todos os outros. Esse é o jogo todo.

A Penguin Ai está focada em resolver o que você descreve como o fardo administrativo de trilhões de dólares da saúde. Quais fluxos de trabalho você priorizou primeiro, e por que a autorização prévia, o julgamento de reclamações, a codificação médica e os recursos surgiram como as maiores oportunidades para transformação impulsionada por inteligência artificial?

Nós fomos para onde a dor grita mais alto. A autorização prévia, o julgamento de reclamações, a codificação médica e os recursos subiram ao topo por uma razão: são enormes pilhas de trabalho repetitivo onde a maioria dos casos segue um padrão, e as exceções são raras o suficiente para que um ser humano deva ver apenas as exceções. A autorização prévia liderou a lista porque é onde você pode literalmente assistir a um paciente sofrer enquanto a papelada fica na fila, e ninguém defende isso com uma cara séria. Quando nossos trabalhadores de inteligência artificial carregam o volume rotineiro e encaminham os verdadeiros outliers para uma pessoa, os resultados não são sutis. As revisões são concluídas até 97% mais rápido, as negações caem mais da metade, e cerca de 92% dos casos são resolvidos sem toque manual. Eu escolhi esses quatro porque me permitem provar a tese rapidamente: tirar o fardo administrativo e tornar a saúde melhor para o paciente, o clínico e a pessoa que faz o trabalho. Todos ganham no mesmo movimento, e é exatamente por isso que começamos por aí.

Como executivo de saúde que avaliou inúmeros fornecedores de tecnologia empresarial, quais são as razões mais comuns pelas quais as startups de inteligência artificial não ganham tração dentro dos grandes sistemas de saúde e pagadores?

Eu sentei no lado comprador por tempo suficiente para assistir a startups queimarem sua chance das mesmas três maneiras. Uma, elas tratam a saúde como qualquer outra conta empresarial e são pegos de surpresa pelo mess de integração, sistemas legados e peso regulatório que ninguém as avisou. Dois, elas vendem autonomia e então não conseguem responder à primeira pergunta difícil, que é sempre alguma versão de “mostre-me como chegou lá”. Sem trilha de auditoria, sem raciocínio que uma equipe de conformidade aceite, e o piloto morre ali mesmo na sala. Três, elas consertam um lado da relação pagador-prestador de serviços e nunca entendem que a fricção vive na costura entre eles. E, honestamente, todo comprador que conheço está exausto. Eles têm uma gaveta cheia de ferramentas impulsionadas por inteligência artificial que adicionaram um painel e não moveram nenhum trabalho da prancheta de ninguém. A barra é alta e a paciência é fina, e qualquer um que não possa mostrar um caminho real do piloto para a produção é mostrado a porta.

Muitas organizações de saúde ainda são cautelosas ao implantar inteligência artificial em operações críticas. O que a adoção bem-sucedida de inteligência artificial realmente parece dentro de um grande pagador ou prestador de serviços, e quais erros os líderes cometem ao tentar escaloná-la?

A adoção real começa pequena e ganha seu caminho para cima. Escolha um fluxo de trabalho que realmente dói, mantenha as pessoas informadas para que elas possam assistir ao trabalho ser feito e confiar nele, e deixe que a prova compre a expansão. Quando uma equipe vê um trabalhador de inteligência artificial limpar os casos rotineiros corretamente e entregar os que realmente precisam de julgamento, elas param de resistir e começam a pedir mais. Os erros são dolorosamente previsíveis. Líderes tentam ferver o oceano e implantar em todos os lugares ao mesmo tempo. Eles compram tecnologia e nunca redesenham o fluxo de trabalho em torno dela, então o fardo simplesmente se muda para uma fila diferente. Ou eles tiram os humanos muito rápido, queimam a confiança e então se perguntam por que ninguém toca na coisa. Escalonar inteligência artificial em um sistema de saúde é um trabalho de gerenciamento de mudanças vestindo um disfarce de tecnologia. As equipes que ganham tratam disso dessa forma, e elas se comprometem com uma métrica dura no primeiro dia para que todos saibam como a sucesso realmente parece.

A Penguin Ai enfatiza modelos e fluxos de trabalho de inteligência artificial nativos em saúde, em vez de soluções de inteligência artificial genéricas de empresa. Quais desafios únicos na saúde exigem uma abordagem especializada, e onde as plataformas de inteligência artificial de propósito geral falham?

A saúde não é um caso de uso genérico de empresa, e fingir que é assim acaba queimando. Ela tem sua própria linguagem, suas próprias regras, suas próprias consequências, e nenhuma delas é opcional. Um modelo genérico lhe dará uma resposta confiante e plausível que está quietamente errada, porque não carrega seus critérios de necessidade médica e não pode mostrar seu trabalho de uma forma que um auditor ou um clínico assine. Sem chance. Construímos a Penguin Ai em camadas por exatamente esse motivo: uma camada de dados que puxa as informações juntas, uma Camada de Contexto que segura o raciocínio e a governança específicos de saúde, e a Força de Trabalho de Inteligência Artificial que realmente faz o trabalho, incluindo nossas soluções de Trabalhador de Inteligência Artificial pré-construídas e Gwen, a construtora que permite que sua própria equipe crie novos Trabalhadores de Inteligência Artificial. Plataformas de propósito geral falham porque tratam a expertise em saúde como algo que você pode promover. Você não pode. Você tem que construí-la no sistema, e é o ponto de tudo o que fizemos.

A autorização prévia ainda é um dos processos mais frustrantes para prestadores de serviços e pacientes. Como você vê a inteligência artificial remodelando a autorização prévia nos próximos cinco anos, e quais salvaguardas são necessárias para garantir que a automação melhore os resultados sem criar novas barreiras?

Cinco anos à frente, as aprovações diretas retornam em minutos, aplicadas consistentemente contra suas próprias diretrizes, com o clínico incluído em qualquer coisa que exija julgamento médico. Essa é a boa versão. Aqui está a parte que as pessoas pulam: a automação pode industrializar as barreiras com a mesma facilidade se você a construir de forma preguiçosa. Uma forma mais rápida de negar cuidados é uma má prática com um melhor desempenho. Então, as salvaguardas são o jogo todo. Cada recomendação que um Trabalhador de Inteligência Artificial faz tem que levar seu raciocínio e uma trilha de auditoria completa, o que chamamos de caixa de vidro, para que qualquer um possa ver exatamente como ele chegou lá. A velocidade nunca pode se tornar uma desculpa para uma parede silenciosa de negações automatizadas. E um ser humano qualificado permanece responsável pelo julgamento clínico, sempre. Faça isso direito e a autorização prévia para de ser a coisa que os pacientes e os médicos temem. Faça errado e você construiu uma versão mais rápida do problema. Estou interessado apenas na primeira opção.

A indústria está cada vez mais falando sobre agentes de inteligência artificial e fluxos de trabalho autônomos. Quais são os principais obstáculos técnicos e operacionais para implantar inteligência artificial que possa lidar confiavelmente com tarefas administrativas complexas de saúde com intervenção humana mínima?

A parte difícil não é o demo, é as bordas. Tratamento de exceções, dados inconsistentes e sujos, e sistemas legados que nunca foram projetados para falar com nada. É aí que a engenharia real vive, e é profundamente sem glamour. O obstáculo operacional é a confiança, que nenhum sistema de saúde lhe dá de graça. Se as pessoas não podem auditar ou explicar, elas não o escalarão, ponto final. Agora, deixe-me rebater um pouco a premissa. “Intervenção humana mínima” é o objetivo errado, e me preocupa quando ouço isso. O ponto é libertar as pessoas para os casos complexos e as decisões de julgamento, onde sua expertise realmente vale a pena. Nossos Trabalhadores de Inteligência Artificial carregam o volume repetitivo e sabem quando chamar uma pessoa. Acertar essa transferência, de forma confiável e transparente, em escala real de saúde, é o problema difícil que vale a pena resolver. Tudo o mais é um projeto de feira de ciências.

A saúde é uma das indústrias mais regulamentadas do mundo. Como você equilibra a velocidade da inovação com a conformidade, requisitos de privacidade, auditoria e a necessidade de responsabilidade humana em sistemas impulsionados por inteligência artificial?

Você ganha o direito de se mover rápido construindo coisas que se sustentem. Na saúde, a governança é a fundação, e nós a derramamos primeiro. Quando você lida com dados de pacientes, a governança de dados empresariais é um requisito moral, e eu quero dizer isso literalmente. Então, cada recomendação é executada em um padrão de caixa de vidro, raciocínio mais uma trilha de auditoria completa, o que permite que uma equipe de conformidade confie na velocidade. A responsabilidade humana é incorporada ao design, porque uma pessoa qualificada possui qualquer coisa que toque no julgamento clínico, enquanto o Trabalhador de Inteligência Artificial lida com a montagem e a carga rotineira. É assim que você obtém rapidez e confiabilidade no mesmo sistema, e nessa indústria você não pode escolher um e pular o outro. A maioria das pessoas enquadra conformidade e auditoria como os freios. Eu as vejo como a coisa que permite que você coloque o pé para baixo, porque sem elas você nunca alcança a produção em primeiro lugar.

Você fez a transição de supervisionar grandes organizações de dados e análise para construir uma startup do zero. Quais aspectos da jornada de operador para fundador foram os mais gratificantes, e quais desafios foram os mais surpreendentes?

A parte mais gratificante é que você finalmente consegue construir da maneira certa desde o início. Dentro de uma grande organização, a mudança se move na velocidade da instituição. Cada alteração tem que ser encaminhada por sistemas legados, prioridades concorrentes e camadas de aprovação, então uma alteração que você sabe que está correta pode levar dezoito meses para ser implementada, se for implementada. Esse ritmo vai desgastá-lo quando você pode ver exatamente o que precisa acontecer. No espaço do fundador, esse teto some. Nós podemos construir do zero, projetar a plataforma em torno do problema em vez de trinta anos de soluções acumuladas, e enviar a resposta certa enquanto ainda importa. Quando ouço que uma enfermeira recuperou suas noites ou que um paciente obteve uma resposta em horas onde costumava levar dias, isso pousa de uma forma que nenhuma revisão de roadmap jamais fez.

O aspecto mais surpreendente, e que genuinamente me humilhou, é o quanto desse trabalho é contar histórias. Eu vim de dados e sistemas, e eu supus que a tecnologia levaria o argumento. Ela não leva. Você está pedindo às pessoas que acreditem que uma forma diferente de trabalhar é possível, e você ganha essa crença um ponto de prova de cada vez. O ritmo é brutal, você usa quarenta chapéus antes do almoço, e ainda é o trabalho mais significativo que já fiz.

Olhando para o futuro, se a inteligência artificial remover com sucesso grande parte do fardo administrativo da saúde, como você acha que os pagadores, prestadores de serviços e pacientes experimentarão o sistema de saúde de forma diferente nos próximos dez anos?

Uma década à frente, se fizermos isso corretamente, o sistema finalmente se sente como cuidado novamente. Os pacientes obtêm respostas reais quando estão assustados e vulneráveis, e param de ter que ganhar um mestrado em burocracia de seguros para obter o que o médico já ordenou. Os clínicos gastam suas horas na arte da medicina e nas pessoas à sua frente, em vez de moer os oitenta e sete casos rotineiros antes do almoço. O pessoal de operações e administração, algumas das pessoas mais subestimadas nessa indústria, finalmente fazem um trabalho que usa sua expertise real. E os pagadores e prestadores de serviços coordenam em vez de jogar papelada para trás e para frente sobre uma costura que ninguém possui. É a saúde que estou construindo em direção a ela. A tabela de pontuação que me importa é entediante e específica: tempo devolvido ao cuidado do paciente e atraso removido da experiência do paciente. Tudo o que fazemos é em serviço desses dois números.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Penguin Ai.